转子系统是航空发动机这类典型旋转机械的核心部件,它的正常与否关系到整台设备的运行状态,为了提高工作效率、避免重大事故发生,对转子系统进行状态监测和故障诊断具有重要意义。随着信息技术的发展,智能化逐渐成为故障诊断的发展方向,而随着故障信息数据的剧增及“知识瓶颈”的存在,常规模式识别方法难以满足现代故障诊断的要求,发展新的方法快速智能地实现转子故障的模式识别及聚类诊断仍是当前的研究热点。故障诊断本质是应用数学方法对蕴含相关故障信息的数据进行模式的自动处理和判别,本文探索了小波聚类方法在航空发动机转子系统故障诊断中的应用:首先,针对传统小波聚类高维空间复杂度高的问题,提出了基于元胞储存的改进小波聚类算法。以元胞数组结构储存网格空间中含有有效数据的非空单元,避免网格单元的无效操作,同时应用元胞数组结构能够对任意类型、任意尺寸的数据进行操作的特性,将数据内容及其地址建立在同一查找表上,构建映射关系,以彻底减小算法的空间复杂度。通过对转子故障模拟实验,对其小波聚类故障诊断,结果表明:元胞储存能够降低算法的空间复杂度,提高算法的效率,基于元胞储存的小波聚类能够对转子故障状态进行很好的区分。其次,针对传统小波聚类算法采用相连定义聚类时精度和效率不够的问题,提出一种基于广度优先搜索的改进小波聚类算法。该算法以小波聚类算法网格邻居单元定义去改善广度优先搜索邻居聚类算法人工输入参数的敏感性,同时以广度优先搜索邻居聚类算法类门限参数的设定去改善小波聚类算法类划分不精确的缺陷。通过航空发动机转子模拟振动信号实验数据,对其分别进行小波聚类,广度优先搜索邻居聚类以及改进的小波聚类分析,结果表明:基于广度优先搜索的小波聚类能够很好地改善传统小波聚类的聚类精度和聚类速度,降低计算复杂度。最后,针对网格聚类算法不可避免产生的MAUP问题,提出了一种基于双网格校正小波聚类算法。该算法以最大密集网格规则下获得的网格划分K值时进行原始网格小波聚类,以均匀分布假设规则获得的网格划分K值下进行校正网格小波聚类,通过校正算法得到最佳的聚类结果。通过基于双网格校正小波聚类的转子故障诊断实例,结果表明:小波聚类精度得到提高,降低了网格划分和网格密度阈值对聚类质量的影响;双网格聚类的并行处理也提高了算法的速度,缓和了一种尺寸下网格均匀划分与数据对象非均匀分布的相互矛盾,为MAUP问题提供了一种解决思路。